LFM3-VL-2B против North Micro Vision Instruct: два средства для чтения документов, одна лицензионная стена

Разрыв в точности между LFM3-VL-2B и North Micro Vision Instruct реален, но невелик: около 4,6 пункта в DocVQA и 7,1 — в OCRBench, причём оба в одном направлении. Разрыв, который определяет выбор для развёртывания, вовсе не в бенчмарке. North Micro Vision Instruct поставляется под лицензией Apache 2.0. LFM3-VL-2B поставляется под лицензией LFM Open License v1.0, которая разрешает коммерческое использование, только пока годовая выручка вашей организации остаётся ниже $10 млн.

Обе модели небольшие, обе с открытыми весами, и обе созданы для чтения страниц, а не для бесед о фотографиях. Одна была опубликована в августе 2026 года и за два месяца набрала загрузки и порты. Другая появилась на Hugging Face 19 октября, была официально анонсирована 27 октября и имеет 255 загрузок. Поэтому это сравнение отчасти вопрос бенчмарка, а отчасти вопрос о том, какой риск вы можете себе позволить: непроверенная модель или нелицензированная.

Что на самом деле представляет собой каждая модель

LFM3-VL-2B — это плотная модель Liquid AI с 1,92 млрд параметров: языковой бэкбон на 1,73 млрд, собственный визуальный энкодер на 164 млн, созданный для использования примерно в три раза меньшего объёма вычислений, чем SigLIP2, и проектор на 25 млн. Она принимает текст, изображения и видео с частотой 2 кадра/с, выводит текст, поддерживает режим размышления, имеет контекст 128K и охватывает 16 языков. В репозитории есть сборки BF16, GGUF, MLX 4-bit и ONNX, хотя поддержка llama.cpp всё ещё на рассмотрении и не имеет видеопути.

North Micro Vision Instruct — это модель Cohere Labs на 2,4 млрд параметров: языковая основа на 2 млрд параметров из семейства North Micro плюс энкодер примерно на 400 млн параметров, дообученный на основе SigLIP2 SO400M, с проектором в стиле DeepStack. Она принимает чередующиеся текст и изображения в нативном разрешении — до 1654×2339, то есть полная страница A4 при 200 dpi, — и выводит текст. Языковая модель имеет контекст 128K, но Cohere заявляет, что мультимодальное обучение было проверено только до 8K. Apache 2.0, словарь на 262K, от 11 до 12 языков.

Эти характеристики выглядят похожими, но таковыми не являются. Контекст в 128K — это верхний предел количества токенов, которые модель может обрабатывать. Ввод в нативном разрешении — это решение изначально не изменять размер страницы. Для сканированного счёта с таблицей в углу второе важнее первого.

Номера документов, читаемые с должными оговорками

На бенчмарках, публикуемых обеими картами, LFM3-VL-2B лидирует:

• DocVQA — LFM3-VL-2B 96,7 против North Micro Vision Instruct 92,1.

• OCRBench — 86,3 против 79,2.

• ChartQA — 92,7 против 80,8.

• AI2D — North сообщает 77,5; Liquid не публикует напрямую сопоставимую строку AI2D.

• RefCOCO-avg — 90,5 против 73,2, хотя две карточки описывают эти средние значения достаточно по-разному, поэтому вычитание даёт ориентировочный, а не точный результат.

Все эти показатели получены от производителей, на тестовых стендах, выбранных самими производителями, и ни для одной из моделей нет независимого воспроизведения. Разрыв в DocVQA достаточно мал, чтобы его могла закрыть разница в формате запроса. Разрыв в ChartQA, составляющий почти 12 пунктов, менее вероятно является шумом, а разрыв в OCRBench в 7,1 пункта согласуется с моделью, которую явно обучали на документах и данных диаграмм с подключённым режимом рассуждения.

Интересное число — не в строках документа. Это MMMU, где LFM3-VL-2B показывает 55,7, а North Micro Vision Instruct — 32,9. Это не разница в тонкой настройке; это другой продукт. В собственной карточке Cohere сказано, что модель намеренно не является reasoning-моделью, не выполняет вызовы инструментов и не рекомендует использовать системные промпты. Она читает страницы. В карточке Liquid заявлено рассуждение уровня выпускника как одна из 62 измеряемых категорий. Если ваша задача — «извлечь итоговые суммы из этих 400 счетов», подойдут обе. Если ваша задача — «решить, нарушает ли этот счёт политику», только одна была создана для этого.

Где утверждение о 128K становится неоднозначным

128K-контекст LFM3-VL-2B — это более щедрый опубликованный показатель, но длина контекста не то же самое, что полезный мультимодальный контекст. В карточке не указано, сколько токенов изображения потребляет страница при нативном разрешении, и не опубликовано максимальное количество кадров для видео. North Micro Vision Instruct публикует показатель противоположного характера: языковой контекст 128K с мультимодальным обучением, проверенным до 8K. Это консервативное раскрытие, и оно полезнее, чем больший показатель без указанного бюджета на обработку изображений.

Практическая проверка для любой из двух моделей одна и та же: измерьте количество токенов на страницу на ваших собственных документах, прежде чем проектировать систему под контекстное окно. Окно в 128K, вмещающее четыре страницы при вашем разрешении, — это не документный рабочий процесс на 128K.

Лицензия — это решение

Apache 2.0 — это Apache 2.0. Вы можете использовать North Micro Vision Instruct в коммерческих целях при любом объёме выручки, изменять его, распространять и размещать у себя, при условии сохранения уведомлений. Это всё соглашение, и для стартапа, создающего продукт для работы с документами, оно устраняет целую категорию юридической проверки.

LFM Open License v1.0 — это не то. Она широко определяет коммерческое использование — «любое использование Произведения для прямой или косвенной коммерческой выгоды или денежного вознаграждения» — и обусловливает лицензию тем, что лицензиат остаётся ниже порога годовой выручки в 10 млн долларов США. Выше этого порога коммерческое использование «не лицензируется по настоящему Соглашению». Квалифицированные некоммерческие организации освобождены от этого для некоммерческих и исследовательских целей. Перераспространение разрешено при указании авторства и уведомлениях об изменениях. В прочитанном нами тексте лицензии нет отдельного ограничения на хостинг, поэтому ограничением является потолок выручки, а не запрет на предоставление услуг.

Такой потолок порождает неловкий разговор. Компания с выручкой $9 млн может уже сегодня выпустить LFM3-VL-2B, а затем лишиться лицензии из-за роста. Модель не перестаёт работать — перестаёт действовать разрешение. Для продукта с двухлетним роадмапом это пункт для due diligence, а не сноска.

Разрыв в уровне внедрения — сам по себе сигнал.

North Micro Vision Instruct скачали около 35 000 раз с момента появления его репозитория 10 августа 2026 года. У LFM3-VL-2B — 255 скачиваний и 34 лайка с 19 октября. Два месяца против девяти дней отчасти это объясняют, но не полностью: анонс семейства LFM3 27 октября представлял собой один пост в блоге, посвящённый шести моделям, и vision-чекпойнту в нём достался один абзац.

Тихие релизы не обязательно плохие. Модель без стартовой цены, без хостингового провайдера и с поддержкой фреймворков, которая всё ещё на рассмотрении, — это модель, которую вы оцениваете на собственном оборудовании, а низкое число загрузок в основном означает, что никто этого ещё не сделал. Это также означает отсутствие квантования от сообщества, трекера задач, полного исправлений, и стороннего бенчмарка, на который можно опереться. У North Micro Vision есть все три.

Сколько стоит каждый из них — насколько об этом вообще готовы говорить.

Ни одна из моделей не публикует цену API на своей карточке. North Micro Vision Instruct доступна через платформу Cohere и была подхвачена несколькими сторонними хостинг-провайдерами; LFM3-VL-2B доступна в Liquid's Playground и через API без тарифной сетки, а Hugging Face не указывает для неё ни одного провайдера инференса. На собственном оборудовании сравнение идёт между 2,4 млрд параметров и 1,92 млрд, или примерно 4,8 ГБ против 3,84 ГБ в BF16 — настолько близко, что стоимость GPU не является решающим фактором.

Решающий фактор уже действует. Если вы арендуете размещённую у провайдера модель компьютерного зрения вместо того, чтобы владеть любой из этих контрольных точек, OrcaRouter передаёт прайс-листовую цену провайдера с наценкой 0%, поэтому изменение цены вендором вступает в силу на нашей стороне в тот же день, а не при следующем продлении договора. Сегодня мы не предоставляем LFM3-VL-2B или North Micro Vision Instruct, и этот материал не утверждает обратного; суть в том, что арендная альтернатива имеет достаточно прозрачную цену, чтобы сравнивать её с приведённым выше расчётом затрат на самостоятельный хостинг.

Кто должен выбирать

Выберите North Micro Vision Instruct, если вам нужна лицензия Apache 2.0, если вы хотите модель, за которой стоят два месяца использования сообществом, или если ваши документы — это полные страницы в исходном разрешении, а ваша задача ограничивается извлечением. Учтите, что она не будет рассуждать по извлечённым полям.

Выберите LFM3-VL-2B, если вам нужен видеовход, режим размышления или более универсальный визуальный ассистент, который заодно хорошо читает документы, а также если вы с хорошим запасом ниже порога выручки или можете договориться об отдельной лицензии. Учитывайте, что вы становитесь ранним пользователем чекпоинта без независимой оценки и с неполной поддержкой фреймворков.

Не выбирайте ни то, ни другое, однако если вашему рабочему процессу нужен платный хостинговый эндпоинт с контрактом на поддержку. Сегмент небольших моделей с открытыми весами быстро улучшается, но новейший участник с 255 загрузками ещё не был стресс-тестирован никем за пределами его лаборатории.